隨著科技的進(jìn)步和生產(chǎn)技術(shù)的發(fā)展,優(yōu)化問(wèn)題幾乎遍布科學(xué)研究及工程實(shí)踐的各個(gè)領(lǐng)域,這使得優(yōu)化算法成為現(xiàn)代科技不可或缺的理論基礎(chǔ)和研究方法。本文研究的集體決策優(yōu)化算法（Collective decision optimization algorithm,CDOA）就是模擬人的集體決策行為的一種進(jìn)化算法。它具有收斂性強(qiáng)、收斂速度快、適用范圍廣等優(yōu)點(diǎn)。然而CDOA在深度搜索方面表現(xiàn)良好而在廣度搜索方面表現(xiàn)較差,因而表現(xiàn)出較強(qiáng)的開(kāi)發(fā)能力而缺乏良好的勘探能力。因此,本文針對(duì)CDOA收斂速度過(guò)快易陷入局部最優(yōu)的缺點(diǎn),提出了兩種改進(jìn)的CDOA算法提高全局優(yōu)化能力,即基于自適應(yīng)概率的集體決策優(yōu)化算法（PCDOA）和基于歷史信息的集體決策優(yōu)化算法（HCDOA）。1)首先,本文將設(shè)計(jì)的一種自適應(yīng)概率模型與基本CDOA相結(jié)合,提出了一種基于自適應(yīng)概率的集體決策優(yōu)化算法（簡(jiǎn)稱PCDOA）。具體而言,在新穎的搜索策略中,概率p自適應(yīng)地在兩種不同功能的變異算子中選擇其中一個(gè)執(zhí)行變異。這兩種變異算子一個(gè)是增強(qiáng)種群的多樣性的、基于交流階段的變異算子,另一種是加快收斂速度的、基于領(lǐng)導(dǎo)者階段的變異算子。PCDOA通過(guò)兩種變異... 

【文章來(lái)源】：長(zhǎng)江大學(xué)湖北省

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

元啟發(fā)Fig.1-1Classificationof

第1章緒論3現(xiàn)象[13]。圖1-1元啟發(fā)式算法的分類Fig.1-1Classificationofmeta-heuristicalgorithms1.3進(jìn)化算法進(jìn)化算法，也被稱為是演化算法(evolutionaryalgorithms，簡(jiǎn)稱EAs)，它不是一個(gè)具體的算法，而是一個(gè)“算法簇”。進(jìn)化算法的產(chǎn)生的靈感借鑒了大自然中生物的進(jìn)化操作，它一般包括基因編碼，種群初始化，交叉變異算子，經(jīng)營(yíng)保留機(jī)制等基本操作。與傳統(tǒng)的基于微積分的方法和窮舉方法等優(yōu)化算法相比，進(jìn)化計(jì)算是一種成熟的具有高魯棒性和廣泛適用性的全局優(yōu)化方法，具有自組織、自適應(yīng)、自學(xué)習(xí)的特性，能夠不受問(wèn)題性質(zhì)的限制，有效地處理傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜問(wèn)題(比如NP難優(yōu)化問(wèn)題)。除了上述優(yōu)點(diǎn)以外，進(jìn)化算法還經(jīng)常被用到多目標(biāo)問(wèn)題的優(yōu)化求解中來(lái)，我們一般稱這類進(jìn)化算法為進(jìn)化多目標(biāo)優(yōu)化算法(MOEAs)。目前進(jìn)化計(jì)算的相關(guān)算法已經(jīng)被廣泛用于參數(shù)優(yōu)化、工業(yè)調(diào)度、資源分配、復(fù)雜網(wǎng)絡(luò)分析等領(lǐng)域。下面介紹一些常見(jiàn)的進(jìn)化算法：(1)遺傳算法(GA)遺傳算法(GeneticAlgorithm,GA)是一種最基本的進(jìn)化算法，它是模擬達(dá)爾文生物進(jìn)化理論的一種優(yōu)化模型，最早由J.Holland教授于1975年提出。遺傳算法中種群分每個(gè)個(gè)體都是解空間上的一個(gè)可行解，通過(guò)模擬生物的進(jìn)化過(guò)程，從而在解空間內(nèi)搜索最優(yōu)解。遺傳算法的基本步驟如下：Step1種群初始化：根據(jù)問(wèn)題特性設(shè)計(jì)合適的初始化操作對(duì)種群中的N個(gè)個(gè)體進(jìn)行初始化操作；Step2個(gè)體評(píng)價(jià)：根據(jù)優(yōu)化的目標(biāo)函數(shù)計(jì)算種群中個(gè)體的適應(yīng)值(fitness

第1章緒論5Step5判斷是否滿足終止條件，不滿足執(zhí)行Step2。在每一代的進(jìn)化過(guò)程中，每一個(gè)體矢量作為目標(biāo)個(gè)體一次，算法通過(guò)不斷地迭代計(jì)算，保留優(yōu)良個(gè)體，淘汰劣質(zhì)個(gè)體，引導(dǎo)搜索過(guò)程向全局最優(yōu)解逼近。1.4本文研究工作和創(chuàng)新點(diǎn)受CDOA潛力和優(yōu)勢(shì)的吸引，本文主要從如何提升CDOA在解決全局優(yōu)化問(wèn)題能力的角度來(lái)研究集體決策優(yōu)化算法，其主要工作如下：1)分析出基本CDOA的變異算子導(dǎo)致其開(kāi)發(fā)能力表現(xiàn)很好而勘探效果不佳這一原因，利用CDOA中不同變異算子的不同功能共同作用來(lái)提高其勘探能力�？紤]到過(guò)度勘探會(huì)降低算法的收斂速度，進(jìn)而影響到結(jié)果。因此，在算法迭代的不同時(shí)期采用不同的變異算子更新個(gè)體已到達(dá)開(kāi)發(fā)和勘探能力的平衡是本文的第一個(gè)創(chuàng)新點(diǎn)：即通過(guò)自適應(yīng)的概率p來(lái)控制和選擇合適的變異策略，以達(dá)到廣度勘探和深度開(kāi)發(fā)的平衡。經(jīng)過(guò)有效性分析和實(shí)驗(yàn)對(duì)比，驗(yàn)證其可行性和更優(yōu)的優(yōu)化能力。2）研究回溯搜索優(yōu)化算法可知，其具有收斂勘探能力強(qiáng)但開(kāi)發(fā)能力弱的缺點(diǎn)，這與本文研究的CDOA的性能互補(bǔ)。于是本文的第二個(gè)改進(jìn)的CDOA算法是將BSA與CDOA相結(jié)合，提出一種基于歷史信息的集體決策優(yōu)化算法，稱為HCDOA。該算法中，BSA變異算子可促進(jìn)廣度探索。本文研究的課題是集體決策優(yōu)化算法對(duì)解決全局優(yōu)化問(wèn)題的改進(jìn)研究，論文的組織結(jié)構(gòu)如圖1-2所示，主要的組織結(jié)構(gòu)如下：圖1-2論文的組織結(jié)構(gòu)Fig.1-2Organizationalstructureofthepaper


本文編號(hào)：3581355